什么是原生数字PDF
原生数字PDF是由软件直接生成的PDF,例如导出文字处理文档、把网页打印为PDF,或保存电子表格报表。它从未存在于纸上。由于软件知道每个字符是什么,文件会把文字以文本形式保存下来,同时保存字体、矢量图形,通常还有链接和书签。扫描件则正好相反:它只是一张纸的照片,在经过文字识别之前,其中的字符只是一堆像素。两者看上去可能一模一样,内部却完全不同。
为什么这个区别很重要
实际工作中的许多问题,答案都取决于手上的文件属于哪一种。原生数字文件通常体积较小,放大到任何程度都保持清晰,可以选中并复制文字,无需额外处理就能搜索。扫描件体积更大,放大后会模糊,在完成文字识别之前无法搜索。对已经含有真实文本的文件再做文字识别,不仅浪费时间,甚至可能把正确的字符替换成猜测出来的字符。先弄清类型,是避免无用功和画质损失的第一步。
如何区分
打开文件,用光标尝试选中一个词。如果只有这个词被高亮,说明文字是真实的;如果选中的是整块矩形区域,或者什么也选不中,说明该页是图像。文件大小也是线索:十页原生数字文档通常只有几百KB,而十页扫描件往往要几MB。此外,一个文件里还可能混合着导出的页面和后来追加的扫描页面,所以不要只看前几页就下结论,最好一直检查到最后一页。
在AuraDoc中使用
AuraDoc的质量报告会检查PDF,告诉你各页是否带有文字层,让你在动手之前先做决定。如果页面是图像,可以用OCR工具添加可搜索的文字层;如果是原生数字文件,则可以用文本提取工具取出其中的文字。每个工具都会生成新文件,原文件保持不变。
用到这个术语的工具
提到这个术语的指南
常见问题
- 原生数字PDF的文字一定能选中吗?
- 几乎总是可以。例外是把文字转成轮廓后导出的文件,或有意嵌入图像的页面,它们的表现与扫描件相同。
- 原生数字PDF比扫描件更可信吗?
- 不能仅凭这一点判断。它只说明文件是如何生成的,并不能说明内容是否准确,也不能说明之后是否被修改过。
- 能把扫描件变成原生数字文件吗?
- 文字识别可以给扫描件加上可搜索的文字层,但页面本身仍然是纸张的照片。得到的是可搜索的文件,而不是与原始数据生成的文件完全相同的文件。